Research orchestrator

Research Orchestrator (Starter Skill)

Overview

Skill ini adalah pintu masuk utama (starter/entry point) untuk mengotomatiskan seluruh alur kerja riset pada Research-Agent. Ketika pengguna mengaktifkan skill ini dengan memberikan ide riset kasar atau domain umum, agen akan mengorkestrasikan dan memanggil 16 skill pendukung lainnya secara berurutan, mengirimkan output dari satu tahap sebagai input ke tahap berikutnya, dan menyajikan laporan akhir berupa Research Dashboard terintegrasi.

Secara khusus, skill ini mendukung Implicit Personalization. Di awal eksekusi, agen wajib memeriksa keberadaan berkas user_profile.json di root direktori untuk memuat preferensi pengguna. Di akhir eksekusi, agen akan menganalisis umpan balik pengguna dan memperbarui berkas tersebut secara otomatis.

Dependencies

Skill ini mengoordinasikan eksekusi dari 21 skill berikut:

1. discover-phenomenon-and-gap
2. research-question-builder
3. hypothesis-or-proposition-builder
4. research-design-planner
5. synthetic-data-generator
6. data-acquisition-specialist
7. data-scientist-analyst
8. model-evaluator-validator
9. literature-review-generator
10. extract-methodology
11. source-quality-appraiser
12. citation-and-reference-validator
13. paper-matrix-builder
14. synthesize-research
15. patent-and-literature-matcher
16. journal-recommendation-finder
17. journal-template-formatter
18. academic-peer-reviewer
19. reviewer-response-and-revision
20. obsidian-vault-exporter
21. agent-update-checker

Quick Start

Contoh penggunaan: "Gunakan skill research-orchestrator untuk memulai riset otomatis penuh tentang efektivitas metode deteksi penipuan transaksi berbasis grafik (Graph Neural Networks)."

Global Directive: Anti-Hallucination & Anti-Mockup

Sebagai Orkestrator, Anda wajib memberlakukan kebijakan "Zero-Tolerance terhadap Data Palsu" pada semua agen bawahan. Setiap kali Anda mendelegasikan tugas kepada agen mana pun, Anda WAJIB menyisipkan peringatan berikut di akhir instruksi Anda: "PERINGATAN GLOBAL: Dilarang keras menghasilkan mock data, DataFrame dummy, paper fiktif, atau berhalusinasi. Anda harus memproses data asli dari internet/API. Jika gagal/timeout, laporkan ERROR dan berhenti, jangan pernah mengarang data."

Pengecualian Khusus (Whitelisted): Agen synthetic-data-generator adalah SATU-SATUNYA agen yang diizinkan mengarang data karena tugas spesifiknya adalah membuat persona simulasi (Digital Twin). Jangan mengirimkan peringatan larangan mockup ini kepada agen tersebut.

Workflow

Agen wajib mengikuti alur eksekusi otomatis 5 fase berikut secara beruntun:

[Cek Update & Baca Profil] ──> [Fase 1: Masalah] ──> [Fase 2: Metodologi & Eksperimen] ──> [Fase 3: Literatur] ──> [Fase 4: Publikasi] ──> [Fase 5: Personalization]

Persiapan Awal (Update Check, Load Profile & Progress Init)

-1. Pengecekan Pembaruan Terjadwal (Rate-Limited): Baca atribut last_update_check di dalam user_profile.json. Jalankan agent-update-checker hanya jika pengecekan terakhir dilakukan lebih dari 7 hari yang lalu (atau jika atribut tersebut belum ada). Jika hari ini sudah dicek, abaikan langkah ini agar tidak membuang waktu. 0. Periksa apakah berkas user_profile.json ada di root direktori proyek. Jika ada, muat preferensi penelitian. 0b. Inisialisasi Progress Tracker & HITL Checklist (WAJIB):

• Jalankan python bin/progress_tracker.py init --topic "<TOPIC>" untuk mencatat state 5 fase di progress.json.
• Jalankan python "<PATH_KE_SKILL>/scripts/generate_hitl_checklist.py" --project-title "<TOPIC>" untuk membuat berkas kendali pengguna hitl_research_checklist.md di root proyek.
• Perbarui status checklist di akhir setiap fase agar pengguna dapat melakukan evaluasi dan persetujuan (Human-in-the-Loop Sign-Off).

Fase 1: Eksplorasi & Pembingkaian Masalah

1. Terima topik/ide awal dari pengguna. Tanyakan secara proaktif apakah pengguna ingin mencari ide berbasis literatur teoritis (Mode A: Literature-Driven) atau berbasis dataset sekunder (Mode B: Dataset-Driven (Data Descriptors)).
2. Jika pengguna memilih Mode B, tanyakan keahlian metodologi/analisis data pilihan mereka (misal: Random Forest, SVM, Regresi Linier, dll.).
3. Jalankan discover-phenomenon-and-gap sesuai mode terpilih:
   • Mode A: Petakan fenomena tren terbaru dan rumuskan gap riset ilmiah.
   • Mode B: Temukan paper Data Descriptor terbaru, ekstrak rekomendasi penulis asli (Potensi 1), dan cari usulan inovasi korelasi variabel baru menggunakan metode pilihan pengguna (Potensi 2).
   • Presentasikan opsi ide riset ini kepada pengguna, evaluasi indikator "Skala Kesulitan" (Trivial/Moderate/Hardcore), dan minta persetujuan/pilihan pengguna atas opsi yang ingin dieksekusi sebelum melanjutkan ke langkah berikutnya.
4. Kirimkan ide/gap riset terpilih ke research-question-builder untuk merumuskan Pertanyaan Penelitian (RQ), Tujuan, dan Kontribusi riset.
5. Kirimkan hasil RQ ke hypothesis-or-proposition-builder untuk merancang kerangka konseptual teoretis serta hipotesis/proposisi yang akan diuji.

Fase 2: Perencanaan Metodologi & Eksperimen Data

5. Kirimkan seluruh dokumen luaran Fase 1 ke research-design-planner untuk menyusun detail metodologi eksperimen, penentuan sampling/variabel, alur pengujian data, serta skenario pengujian ketahanan (robustness/ablation).
6. Jalankan synthetic-data-generator (jika dibutuhkan) untuk meng-generate dataset sintetis kuantitatif/kualitatif dengan mensimulasikan persona responden.
7. Jalankan data-acquisition-specialist (sebagai opsi/pelengkap) untuk mencari, mengumpulkan, menyedot (scraping), atau mengunduh dataset asli dari sumber internet/API.
8. Jalankan data-scientist-analyst untuk melakukan pembersihan data (preprocessing), analisis statistik (WAJIB jalankan run_stat_analysis.py dari folder scripts/ skill terkait), melatih model Machine Learning, serta memvisualisasikan hasil eksperimen.
9. Jalankan model-evaluator-validator secara wajib untuk melakukan uji signifikansi statistik (misal: T-test, Diebold-Mariano) pada hasil prediksi model guna menguji validitas dan komparasi performanya.

Fase 3: Kajian & Validasi Literatur

10. Jalankan literature-review-generator untuk memetakan perkembangan riset historis dan menyusun argumentasi posisi riset baru. Khusus mode SLR berskala besar, agen wajib mematuhi alur PRISMA 4-tahap (Tarik Metadata -> Filter Python -> Semantic Audit -> Ekstrak) dan menyimpan checkpoint .csv di tiap langkah.
11. Gunakan extract-methodology untuk mengekstrak data teknis dari paper-paper rujukan utama (WAJIB jalankan parse_sections.py dari folder scripts/ skill terkait untuk memfilter teks seksi sebelum ekstraksi).
12. Jalankan source_quality_appraiser untuk mengaudit tingkat kredibilitas jurnal rujukan (kuartil Scopus/CORE ranking) guna menyaring paper yang lemah metodologinya.
13. Jalankan citation-and-reference-validator untuk memverifikasi keakuratan DOI dan memastikan klaim naskah didukung secara faktual. WAJIB jalankan skrip validate_references.py dan fetch_evidence_snippet.py dari folder scripts/ skill terkait untuk memfilter referensi palsu dan memvalidasi Evidence Snippets verbatim sebelum diserahkan ke fase sintesis.
14. Jalankan paper-matrix-builder untuk merangkum seluruh parameter teknis rujukan yang telah lolos validasi programatik (WAJIB jalankan build_sota_matrix.py dari folder scripts/ skill terkait) ke dalam Tabel State-of-the-Art (SotA) yang terstandarisasi. (Catatan: Agen wajib mengeksekusi skrip Python menggunakan path absolut lokasi instalasi skill tersebut baik lokal maupun global).

Fase 4: Sintesis & Kesiapan Publikasi

15. Jalankan synthesize-research untuk menyatukan seluruh bukti temuan literatur, memetakan konsensus, serta mengulas kontradiksi secara kritis.
16. Jalankan patent-and-literature-matcher untuk memverifikasi kebaruan (novelty) klaim invensi terhadap potensi prior art.
17. Jalankan journal-recommendation-finder untuk memberikan rekomendasi target jurnal ilmiah (Q1-Q4) yang paling cocok dengan ruang lingkup riset.
18. Jalankan journal-template-formatter untuk menstruktur ulang draf akhir sesuai dengan format dan panduan penulisan (Author Guidelines) dari jurnal yang dipilih.
19. Jalankan academic-peer-reviewer untuk mensimulasikan proses penelaahan sejawat (peer review) guna memberikan penilaian kritis, daftar masalah (mayor/minor), serta rekomendasi kelayakan publikasi sebelum dikirim ke jurnal resmi.
20. (Opsional/Jika ada perbaikan) Jalankan reviewer-response-and-revision untuk membimbing langkah-langkah revisi naskah.
21. (Opsional/Integrasi Vault) Jalankan obsidian-vault-exporter untuk mengekspor dan memformat seluruh dokumen luaran riset ke dalam struktur catatan Obsidian Vault lengkap dengan Frontmatter terstruktur dan WikiLinks 2 arah.

Fase 5: Pembaruan Profil & Memori Riset (Implicit Personalization)

22. Evaluasi seluruh sesi interaksi, komentar, dan umpan balik eksplisit maupun implisit dari pengguna.
23. Perbarui atau buat berkas user_profile.json di root direktori proyek secara otomatis untuk merekam preferensi baru ini. Tandai penyelesaian akhir pada progress.json dengan python bin/progress_tracker.py advance.

Format Output: Integrated Research Dashboard

Di akhir pengerjaan, agen harus menyajikan ringkasan eksekutif satu halaman yang memuat:

1. Status Riset: Ringkasan singkat topik, gap terpilih, dan tujuan utama riset.
2. Rangkuman Fase 1-4: Deskripsi singkat hasil keluaran utama dari masing-masing fase riset yang telah dijalankan secara otomatis (termasuk hasil dari eksperimen data dan analisis ML).
3. Tabel Rekomendasi Publikasi: Rekomendasi jurnal target terbaik hasil ekstraksi.
4. Skor Kelayakan & Masalah Utama: Hasil evaluasi dari simulasi peer review.
5. Daftar Berkas Luaran: Tautan langsung (file link markdown) ke dokumen detail hasil pengerjaan masing-masing sub-skill (misal: link laporan gap, dataset mentah, script analisis data, dsb.).
6. Pembaruan Memori Personal: Ringkasan preferensi baru pengguna yang berhasil dipelajari dan disimpan secara implisit ke dalam user_profile.json.

Common Mistakes & Aturan Kritis

• Lompat Alur (Skipping Flow): Mencoba membuat rancangan metode atau mensintesis riset tanpa menyelesaikan penentuan gap dan pertanyaan penelitian (Fase 1) terlebih dahulu.
• Kehilangan Jejak Output: Gagal mengirimkan berkas luaran dari skill sebelumnya sebagai input kontekstual ke skill berikutnya, menyebabkan proses riset menjadi tidak konsisten.
• Mengabaikan Peringatan Kredibilitas: Tetap melanjutkan ke fase berikutnya meskipun di Fase 3 ditemukan bahwa mayoritas paper rujukan utama tergolong kredibilitas rendah (low quality) atau salah sitasi. Agen wajib berhenti dan meminta arahan pengguna untuk merumuskan ulang literatur jika rujukan tidak kredibel.
• Mengabaikan Pembaruan Profil: Menyelesaikan riset tanpa memperbarui user_profile.json jika ada preferensi penting pengguna yang berubah sepanjang proses penelitian. Jangan mengekspos API Key atau informasi rahasia ke dalam berkas profil ini.